开发一种可解释的机器学习模型,与遗传指标相关联,以识别缺陷构成

科学领域:

• 遗传学和中国传统医学 (TCM) 的整合.
• 为个性化健康评估发现生物标志物.

背景情况:

• 阴缺陷构成在中国人口中普遍存在,与疾病发病有关.
• 准确识别阴缺陷构成对于有效的疾病预防和治疗策略至关重要.

研究的目的:

• 开发和验证一个机器学习模型,用于客观地识别阴缺陷构成.
• 确定关键的遗传预测因子与阴缺陷构成相关.
• 为TCM从业者提供一个临床上适用的系统.

主要方法:

• 收集了因子缺陷和平衡构成的参与者数据.
• 使用最小绝对收缩和选择运算符 (LASSO) 和后勤回归来进行遗传预测分析.
• 开发并比较了四种机器学习模型,整合了多种遗传指标.
• 采用沙普利增量解释 (SHAP) 来实现模型的解释性.

主要成果:

• 确定了NFKBIA,BCL2A1和CCL4作为阴缺陷构成最重要的遗传指标.
• 最优的分类模型是随机森林,实现曲线下的面积 (AUC) 为0.937.
• 该模型在识别阴缺陷构成方面表现出高灵敏度 (0.870) 和特异性 (0.900).
• SHAP分析为个人风险预测提供了直观的解释.

结论:

• 成功构建了一个强大的机器学习模型来对阴缺陷结构进行分类.
• SHAP方法提高了模型的可解释性和临床实用性.
• 这项研究在TCM框架内提供了对阴缺陷构成的客观识别系统.
• 这些发现为临床医生在疾病预防和治疗方面提供了宝贵的指导.